PDF からの構造化テーブルの抽出

PDF ドキュメントから構造化テーブルを抽出することは、特に画像以外のファイルの場合、困難な作業となることがあります。この問題に対処するための包括的なガイドは次のとおりです:

非 OCR ソリューション

PDF -> HTML -> テーブルの抽出ルートは、特にドキュメントの場合、信頼性が低い場合があります。英語以外のフォントが含まれている。以下にいくつかの代替案を示します:

1.手動抽出

Adobe Acrobat や Foxit などのソフトウェアを使用して、表のセルを手動で選択し、スプレッドシートにコピーします。これは、単純な構造の小さなテーブルに適しています。

2. PDF から XML コンバータ

PDFBox などのツールは、テーブル データを XML 形式に抽出でき、さらに処理して構造化データを抽出できます。

3.カスタム パターン マッチング

PDF が一貫して生成される場合は、表のセルを識別してその内容を抽出するためのカスタム パターンを開発できます。ただし、これには PDF の構造を深く理解する必要があります。

提供される PDF の制限

あなたが言及した特定の PDF には、2 つの重大な課題があります:

• テーブル データが欠落しています: PDF には明示的なテーブル データが含まれていないため、人間による解釈なしに構造化情報を抽出することが困難です。
• エンコーディングの問題: PDF WinAnsiEncoding を使用すると誤って主張するフォントを使用しているため、テキストの抽出が破損します。

推奨

これらの制限があるため、構造化テーブルを抽出できない可能性がありますOCR 技術を使用せずに提供された PDF から。代わりに、ドキュメント作成者に元のテーブル データを要求するか、他の OCR ソリューションを追求するなど、代替方法を検討してください。